《计算物理课程(研究生用)》[第2篇].ppt

§2.1 实验数据的统计评价 一、数学期望 方差 标准误差 置信概率 由误差理论，若随机变量x的概率密度为f(x)，则x的数学期望Ex 、方差Vx和标准误差σx分别为 正态分布的概率密度曲线如图所示，阴影部分面积表征数据的值落在该范围内的概率。理论可以证明， 在区间（μ-σ，μ+σ）的面积占曲线下总面积的68.27%。也就是说，x的值落在（μ-σ，μ+σ）区间的概率是68.27%。 二、算术平均值和它的标准误差 对于物理量x的n次测量值（x1, x2, … xn），通常用算术平均值作为观测量的真值μ的估计值 由误差理论可以证明平均值的标准误差 由误差理论可以证明测量值的标准偏差 §2.2 实验数据的插值法 插值法就是依据这些关系，寻找f(x)的近似表达式y(x)： y=y(x) y(x) 经常取x的多项式，作为代数插值。 构造出的代数多项式y(x)，必须满足下列条件： （1）y(x)是一个不超过n次的多项式。这样有n +1个待定系数，对应n +1个测量点。 （2）在插值点xi (i =0,1,2,…n)上， 确保f(x)的插值函数y(x)与f(x)相等，即 yi=y(xi) i =0,1,2,…n §2.2.1 拉格朗日（Lagrange)插值法 一、 Lagrange线性插值（两点） 线性插值就是两点插值。设已知两节点。 二、 Lagrange抛物线插值（三点） 利用三个节点的测量数据来构造插值函数。设三个节点为 三、 Lagrange n次多项式插值 MATLAB中实现Lagrange n次多项式插值： §2.2.2 分段线性插值 一、高次多项式插值的龙格(Runge)现象 对于多项式插值, 次数随节点个数的增加而升高，但次数越高，则逼近f(x)的精度却不一定越好。 注意：Runge现象说明，在大范围内使用高次插值，逼近的效果往往是不理想的。 %jswlx_3_2_2.m自编程序 x=[-5:1:5];%[-5,5]中x的10个取点 y=1./(1+x.^2); %[-5,5]中的10个节点y x0=[-5:0.1:5]; y0=lagrange(x,y,x0);%插值后的函数值 y1=1./(1+x0.^2); plot(x0,y0,--r)%绘制插值曲线 hold on%图窗口保留上次曲线 plot(x0,y1,-b) %绘制原曲线 二、分段插值的概念 若运用低次插值法，则往往能避免Runge现象。 分段插值：将研究区间[a,b]分成若干子区间[xi,xi+1]，在每个子区间构造低次的插值多项式函数，然后将其进行拼接。这种选取分段多项式作为插值函数的方法称为分段插值法。 四、分段三次插值 分段线性插值的算法简单，计算量小，但精度不高，插值曲线不光滑。 分段三次插值：选择四个节点，实现三次多项式插值函数的计算。 三次条样插值：更为常用的一种插值方法。 §2.3 实验数据的拟合 §2.3.1 实验数据的一元线性拟合 一、最小二乘法原理 在拟合曲线y=f (x)上，测量点xi的误差δi = yi - f (xi)按照某种标准达到最小，通常采用欧氏范数||δ|| 2作误差的标准，这种方法称为最小二乘法。 由拟合直线得 δi = yi - A0- A1xi 解得 §2.3.2 多元线性拟合 实际测量中影响物理量的因素往往不止一个。设变量 y 随x1 , x2 , …,xk k个变量而变化。实验测得一组数据是 偏差的平方和为 §2.3.3 多项式曲线拟合 在物理学及各科学技术领域非线性函数关系才是普遍的，而线性关系则是简化的。 非线性改直：非线性函数可以先经过变量替换，转化为线性函数关系，然后进行线性拟合，最后还原成原始的物理量。 但有一些非线性关系并不能改直，常常要用到多项式拟合或多元函数拟合。 用k次多项式拟合 Y=A0+A1x+ A2x2+…+ Akxk 与一元线性拟合思想相同，用最小二乘法原理求系数A0，A1， A2，…， Ak 。 §2.4 快速傅立叶变换(FFT) §2.4.1 离散傅立叶变换（DFT） 一、离散傅立叶变换 在有限多个等距、离散数据的基础上的傅立叶变换称为离散傅立叶变换。 设已知函数f(x)在区间0≤x2π上N个等分点 2π l/N，(l=0,1,2,…,N-1)处的值已知fl 。实际上，N分点的值fl常常是采样的数据。 设采样周期T=2π/N，采样值则为fl =f(xl )= f(lT ) ，(l=0,1,2,…,N-1) §2.4.2 快速